管争荣[1]2014年在《基于D-S证据理论的多模型融合齿轮早期故障智能诊断方法研究》文中研究指明齿轮箱是一种量大面广的机械设备关键性基础部件,也是最易损坏的零部件之一,其运行状况直接影响到整个机器或机组设备的安全运行,因此,如何能尽早发现齿轮系统的早期故障,做到合理组织安排设备的维修,避免发生重大安全事故,造成重大的经济损失具有重大意义。机械设备的振动信号蕴含着系统(正常、故障)状态的信息,各种类型故障也有一定的规律可循,因此,采用振动信号对大型、关键机组运行状态监测和故障诊断是目前设备管理维护的主要手段。由于受齿轮传动振动响应和环境噪声的影响,齿轮早期故障的微弱信号往往被其他成分或环境噪声淹没,故障信号具有复杂的非线性、非平稳特性,采用传统的基于平稳信号假设的信号处理方法很难对其取得准确诊断,因此,研究有效去噪、消噪信号预处理技术和非平稳信号处理方法对设备故障诊断具有非常大的意义。小波分析和经验模态分解(EMD)是近年来发展起来的两种处理非平稳信号的时频方法,小波阈值去噪,形态滤波,奇异值分解技术是几种应用较多的去噪方法,两种时频方法与几种去噪方法相融合,被广泛应用于信号检测,机械故障诊断等工程领域。同时,随着设备向着高速度、高功率、高可靠性、大型化/微型、智能化、集成化的方向发展,使得传统的设备故障诊断方法和单一智能诊断方法已不能完全满足设备状态复杂性的需求,将多种智能诊断方法相融合的智能诊断技术是目前研究的热点方向。因此,本文对齿轮系统动力学和故障形成机理、小波分析理论、小波阈值去噪和重分配小波谱奇异值去噪、Hilbert-Huang变换理论、D-S证据理论、遗传算法-BP神经网络,模糊优化理论研究的基础上,提出了基于D-S证据理论的多模型融合齿轮早期故障智能诊断方法,分析齿轮典型故障信号的结果验证了该方法的有效性。对齿轮故障诊断提供了依据。本文主要工作如下:[1]本文建立了考虑摩擦、时变刚度、齿侧间隙的具有偏心直齿轮摩擦-间隙齿轮振动模型,分析考虑摩擦、齿侧间隙、偏心质量时的齿轮动力学行为以及它们的频谱特征。[2]提出了基于shannon熵优化TBP参数的重分配小波尺度谱进行SVD降噪方法,通过仿真信号分析发现该方法具有比小波尺度谱、重分配小波尺度谱更好的时频聚集性,且其时频分辨率能够同时实现最佳,具有更高的时频分布可读性。因此,该方法能够识别出强噪声背景下的机械早期故障微弱信号成分,为强噪声背景下机械早期故障微弱信号的去噪、消噪以及特征提取和故障诊断奠定了一定的理论基础。[3]将经验模式分解(EMD)方法和分形维数融合,提出了基于小波阈值去噪和EMD分形融合故障诊断方法,列出了基于EMD的分形维数的具体步骤。并将该方法应用于齿轮传动齿面磨损、断齿故障状态振动信号的故障诊断中,用关联维数均方根值替代关联维数,实现对齿轮齿面磨损和断齿等故障的准确诊断,取得了良好的效果。[4]提出了基于D-S证据理论的多模型融合智能齿轮故障诊断方法,通过实例验证:本文提出的多模型融合模型能够综合利用各单一智能模型的优点,使得区分度比单一模型有明显提高,即使单一模型出现误判,该融合模型仍然能够得到正确的诊断结果。具有较好的容错性、纠错性。
杨宇[2]2008年在《基于小波分析的RFID射频信号处理》文中研究表明射频信号调制方式的自动识别对RFID接收机的实现具有重大意义,是射频信号处理中的重要部分。只有正确识别通信调制信号的调制类型,才能更有针对性地对信号解调和处理。小波分析提取数字调制信号的调制特征是一种有效的识别方法。小波变换具有良好的时间,频率局域化特征和多分辨率分析的特性,所以小波变换是一种能有效地从不同调制类型的信号中提取瞬时特征的技术,而且不需要已调信号任何的先验知识。不同类型信号的小波变换系数的明显不同非常适合对数字调制信号的调制类型进行识别。本文讨论了在RFID中调制制式(2ASK、2FSK、2PSK)的识别问题,研究了RFID通信信号调制方式自动识别的小波算法。针对不同调制方式的数字信号提取其小波域特征,设计了以小波域特征为主要识别参数的梯形结构分类器,建立了数字信号调制方式的自动识别小波算法模型。深入分析了信号特征提取中小波变换后信噪比增益与载波频率、抽样速率及小波缩放尺度之间的关系,提出了对抽样速率和小波缩放尺度的优化,减少了噪声影响。通过大量的计算机仿真验证了该算法的良好性能,具有较为理想的识别能力,在SNR>5dB下大部分的数字调制信号的正确识别率可达到了90%以上。同时本文还用小波分析方法对数字信号调制参数估计进行了研究。研究了连续Morlet小波变换的应用,利用小波脊线理论对FSK、PSK的载波频率和码速作出估计。为了更好的提取信号特征与识别,文中进行了一些算法相关公式推导与证明,同时讨论了小波分析提取参数中的主要影响因素。
陈蕙心[3]2017年在《通信信号调制识别技术研究》文中指出现代战争信息的传输主要依靠无线电通信来实现,通信侦察的主要任务是对通信辐射源信号进行截获、测量、分析、识别和解调,调制识别是通信侦察的关键步骤之一,只有正确识别出信号的调制类型,才能为后续的解调以及采取相应的对抗手段提供有利的条件。本文主要研究对数字通信信号调制方式的识别,分别从特征提取和分类器设计的角度对调制识别算法进行研究。论文的主要工作总结如下:(1)研究了基于瞬时特征的调制识别算法。该算法选取幅度谱峰值、绝对幅度标准差等七种通信信号的瞬时特征作为分类特征,之后依据各特征参数的分类性能来设置决策树分类器的判决准则,并结合仿真结果选取判决门限完成决策树分类器的构造。通过仿真实验对该算法性能进行了分析。(2)提出了基于高阶累积量和熵值联合特征的调制识别算法。在该算法中,为提高算法的抗噪性和稳定性,提取高阶累积量特征对数字通信信号进行识别,并提取熵值特征对高阶累积量特征无法识别的信号进行分类。依据各特征参数的分类性能选取判决准则和门限值构造出决策树分类器,从而实现对信号调制方式的识别。通过仿真实验对该算法性能进行分析,并与基于信号瞬时特征的调制识别算法进行了性能对比分析。(3)研究了支持向量机(SVM)在调制识别中的应用。选用粒子群(PSO)算法对SVM中的参数进行优化,构造出PSO-SVM分类器。仿真结果表明,基于PSOSVM的调制识别算法在信噪比为-3dB时能有效地识别出各类数字通信信号,且PSOSVM较SVM的分类性能有所提升。(4)为改善PSO算法易出现局部收敛的现象,提出了一种改进粒子群算法。该算法通过在粒子群算法中引入邻域搜索的概念,实现对PSO算法的改进。利用改进PSO算法对SVM中的参数进行优化,构造出改进PSO-SVM分类器。仿真结果表明,基于改进PSO-SVM的调制识别算法在信噪比为-4dB时能有效地识别出各类数字通信信号,且改进PSO-SVM的分类性能较PSO-SVM有所提升。
王晓娜[4]2011年在《典型通信信号调制识别技术研究》文中进行了进一步梳理在非协作通信中,调制识别的应用非常广泛。其中,民用通信的信号确认、干扰识别,军事通信的电子侦察、对抗系统,只有获取信号调制方式、符号速率等参数,才能进行后续的解调处理。近年来,国内外学者在通信信号调制识别方面进行了大量探索。但是,针对DSB、FM、2PSK、4PSK、8PSK、2FSK、4FSK及8FSK这八种典型通信信号,未见文献给出便于实现且性能良好的整体调制识别方案。本文研究了基于时频域特征参数、高阶累积量和小波变换的调制识别技术;设计了一种针对以上八种信号的调制识别方案。首先,给出了基于时频域特征参数的调制识别算法。该算法通过提取时频域特征参数可实现DSB、窄带FM、相位非连续2FSK、相位非连续4FSK、2PSK、4PSK及8PSK的调制识别,仿真验证了该算法的可行性。其次,分析了基于高阶累积量的调制识别算法。通过提取基带复信号的高阶累积量实现2PSK、4PSK和8PSK信号的调制识别;通过提取基带复信号求导后的高阶累积量实现2FSK和4FSK信号的调制识别;给出了识别算法的仿真结果与分析。然后,阐述了基于小波变换的调制识别算法。详细讨论了基于小波变换的数模调制识别、PSK和FSK信号的类间识别、MPSK信号的类内识别、MFSK信号的类内识别以及PSK和FSK信号的符号率估计;对这些算法进行仿真试验,给出了仿真结果与分析。最后,综合考虑各种调制识别算法的优、缺点,给出一套典型通信信号调制识别方案。该方案实现简单、识别范围广且抗噪声性能好;在信噪比0dB时,仿真可实现95%的正确识别率。本文的研究丰富了现有的调制识别技术。所提出的调制识别方案,已在某卫星侦查仿真项目中得到应用,算法采用C++实现,识别性能满足了项目要求。
刘慧婷[5]2004年在《EMD方法的研究与应用》文中进行了进一步梳理信号瞬时特征的提取在信号处理中具有重要的意义，然而复杂信号特别是非线性和非稳定信号真正意义上瞬时参数的定义都比较困难，更谈不上高精度测量信号的瞬时参数。如何利用数据分析方法提取非线性和非稳定信号的瞬时参数，并对该方法加以改善及应用是本文讨论的重点。 本文的主要工作包括： 1．在筛选过程中，插值是产生本征模函数关键的一步，是希尔伯特谱分析的基础。尽管埃尔米特插值方法在大多情况下十分有效，可仍存在着一些问题。本文通过实验结果证明了采用叁次样条插值的有效性。 2．经验模态分解方法中，有两种端点效应：在样条插值中以及在希尔伯特变换中。如果对端点不加任何处理，立方样条就会产生大幅度的摆动，影响信号瞬时特征提取的准确性。已经存在一些解决方法，这些方法很有效地控制了大幅度的摆动。本文提出了多项式拟合算法，并利用实验数据和理论证明了这种方法的正确性和优越性。 3．利用算法实现了改进后的经验模态分解方法。 4．实现了经验模态分解方法在非线性和非稳态信号瞬时特征提取中的应用；同时利用实验数据证明了经验模态分解方法与多层反馈神经网络FP算法相结合，来完成股票数据预测中的相似模式匹配的可行性。
邹岩昆[6]2004年在《局域波分析的理论方法研究及应用》文中提出近年来,设备监测诊断中非平稳信号的分析一直是一个复杂而有意义的研究课题,局域波分析方法在几年的发展过程中,逐渐成为分析非平稳信号的有效方法之一。本文在总结前人研究成果基础上,结合工程实际需要,对局域波分析方法作了进一步的研究和发展,并以此为基础,在机械设备的诊断方法上进行了探索性的研究。 针对设备监测诊断中存在的非平稳问题,引入了局域波分析方法。该方法从信号瞬时频率的角度出发,将非平稳时变信号分解成为有限个局域波分量,每一个分量描述了时变信号中不同频率和尺度范围的固有振动模式,瞬时频率可以在每一个分量中随处定义。经过Hilbert变换得到局域波时频谱能够同时提供时域和频域的信息。 针对局域波分析方法目前的研究状况,分析了该方法中存在的问题:分解方法中的边界问题、分量的瞬时频率估计以及如何合理选择采样频率等问题。提出了基于包络均值法的改进算法;分析并验证了利用相位差分法进行瞬时频率估计的有效性和精确性;给出了进行局域波分析,信号采样频率的选择标准。 在此基础上,研究了局域波分析的频率多分辨特性及分解的尺度滤波特性,给出了不同时频谱图的频率分辨率的计算式和滤波器的表达式。通过对加噪信号的有效去噪检验了尺度滤波的可行性。提出了基于局域波时频谱的边界谱分析,以及频带能量分析方法,并运用这些方法对旋转机械和往复机械的不同故障进行了有效的诊断。 以一维局域波分解方法为基础,研究了二维局域波分解方法,对边界处的极值判断方法作了改进,有效的解决了插值曲面的边界摆动。制定了合理的筛选停止准则和分解停止准则。通过对图像去噪,检验了二维分解对于提取图像局域细节信息的有效性。同时,提出了基于二维局域波分解的图像诊断方法,通过对时频灰度图像的二维分解提取表征故障信息的图像细节部分,有效地实现了故障的特征提取。 以上研究工作在一定程度上丰富和完善了局域波分析方法,诊断应用表明本文中提出的方法能够有效的识别故障,解决实际问题。
冷军发[7]2016年在《基于盲源分离的齿轮箱低频故障特征提取方法研究》文中研究表明齿轮箱作为机械设备中必不可少的传递运动与动力的关键部件,广泛应用于现代工业各种大型、重型机械设备中,其工作和运行环境一般比较差。一旦出现故障可能导致整个机器不能正常工作,不仅增加了设备维护费用,还可能造成巨大的经济损失,甚至是人员伤亡。因此,研究齿轮箱故障诊断技术和方法具有重要的学术意义和应用价值。故障特征提取是齿轮箱状态监测与故障诊断的关键问题,特别在低速区时,因高频啮合振动、传递通道及强噪声等多方面因素影响,造成有效故障特征信息非常微弱,给齿轮箱的低频故障特征提取带来诸多难题。因此,有必要寻找合适的振动信号处理技术与方法,有效地从复杂振动信号中分离故障信号及提取微弱故障特征。基于盲源分离技术对齿轮箱振动信号的普适性,本文就齿轮箱恒转速工况条件下,深入地研究和丰富了基于盲源分离的低频故障特征提取新方法,并将其成功应用于试验齿轮箱和矿用齿轮箱的故障特征提取与故障诊断。主要研究内容有:(1)阐述了论文的选题背景和研究意义,分析了齿轮箱的时频分析方法、盲源分离等方面的国内外研究现状,针对盲源分离技术在齿轮箱低频故障特征提取存在的问题,确立了本文的研究路线和主要研究内容。(2)考虑到振动源信号可能直接混有源噪声,信号之间的统计独立性与非高斯性相对更弱,增加了齿轮箱微弱故障信号盲提取的难度。将源噪声引入盲源分离的线性瞬时混合和卷积混合模型中,使其更符合齿轮箱振动系统的实际情况,为含源噪声条件下的齿轮箱低频故障特征盲提取方法的提出奠定了基础。(3)约束独立分量分析(Constrained independent component analysis,cICA)算法对于多通道传感器测量噪声具有很强的免疫能力,但对源信号含源噪声的分析效果却很差。针对这个问题,提出了小波变换(Wavelet transform,WT)特征增强的cICA的齿轮箱故障特征提取方法,该方法可以减少其他振源及强噪声的干扰,提高信噪比,增强cICA的故障特征提取效果。将其应用于试验齿轮箱和矿用皮带输送机齿轮箱的故障诊断,分别提取出了表征各自故障的低频振动特征。(4)cICA算法要求观测信号数目不少于源信号数目,不能直接提取单通道测量信号的故障信息。集成经验模态分解(Ensemble empirical mode decomposition,EEMD)能够有效减少模态混迭和除噪,然而该算法会产生虚假分量。通过计算互相关系数与峭度来选择合适的本征模态函数(Intrinsic mode function,IMF)分量,并与原测量信号组成虚拟观测向量,以减少虚假成分。结合两者的优点,提出了基于EEMD特征增强的cICA的齿轮箱故障特征提取方法。通过仿真、试验与工程应用结果表明,该方法对齿轮箱单通道测量信号的低频故障特征提取具有很好的效果。(5)针对最小解熵解卷积(Minimum entropy deconvolution,MED)算法易受强噪声和野值的影响,引出了最大相关峭度解卷积(Maximum correlated kurtosis deconvolution,MCKD)的齿轮箱故障特征提取方法,克服了MED算法的不足。然而凭先验信息选取的故障周期,可能导致MCKD解卷积效果很差。因此提出了MCKD算法的最佳故障周期搜索思路,即在合适的滤波器阶数L下,故障周期的搜索可以在步距M取较大值时,限定于理论计算周期左右的某一范围内,使不同步距M关于最佳周期的最大相关峭度达到全局最优,以确保了MCKD算法具有良好的解卷积效果。通过试验齿轮箱和矿用齿轮箱的微弱低频故障特征提取佐证了最佳故障周期搜索思路的可行性和MCKD方法的有效性及优势。
程军圣[8]2005年在《基于Hilbert-Huang变换的旋转机械故障诊断方法研究》文中研究说明旋转机械是工业部门中应用最为广泛的一类机械设备,因而其故障诊断具有重要的现实意义。旋转机械故障诊断的关键是从旋转机械故障振动信号中提取故障特征,信号分析和处理是特征提取最常用的方法。由于大多数旋转机械故障振动信号是非平稳信号,因此有必要选择恰当的适合于非平稳信号分析的信号处理方法。 由于时频分析方法能同时提供振动信号的时域和频域信息,因而在旋转机械故障诊断中应用最为广泛。但是常用的时频分析方法如窗口傅里叶变换(Windowed Fourier Transform)、WVD(Wigner-Ville Distribution)、小波变换等都有各自的局限性。因此,迫切需要新的理论和信号处理方法来提高现有的旋转机械故障诊断技术水平。近来,一种适合于处理非平稳信号的时频分析方法Hilbert-Huang变换(Hilbert-Huang Transform,简称HHT)被提出来以后,经验证在很多方面的应用效果都优于其它的信号处理方法。本文在国家自然科学基金项目的资助下,较早地将HHT引入旋转机械故障诊断当中,目的在于研究用HHT提取滚动轴承、齿轮和转子系统各类故障振动信号特征的问题。 本论文主要完成了两个方面的研究工作:对Hilbert-Huang变换理论的深入研究和基于Hilbert-Huang变换的旋转机械故障诊断方法研究,主要创新点如下: 1.对Hilbert-Huang变换的理论进行了研究,主要解决了IMF的判据问题和端点效应问题。 (1)首次提出了基于EMD的信号瞬时特征的小波分析方法,由该方法可以得到非平稳信号完整的时频分布,从而解决了采用小波求宽带非平稳信号的瞬时物理量遇到的困难,也避免了采用Hilbert-Huang变换求非平稳信号的瞬时物理量时必须解决的端点效应。 (2)根据EMD方法具有完备性和正交性的特点,首次提出了能量差跟踪法来确定“筛分”次数,由此得到的IMF分量不仅能满足正交性的要求,而且能反映信号内含的信息。 (3)提出了基于支持向量回归机和基于时变AR模型的两种数据序列延拓方法,这两种方法都可以有效地克服端点效应问题,从而得到准确的IMF分量及其瞬时频率和瞬时幅值。 2.将Hilbert-Huang变换应用于旋转机械故障特征提取,并提出了具体的故障诊断方法。 (1)提出了基于Hilbert-Huang变换的时频熵方法。研究发现,正常工作状态下的齿轮振动信号的时频熵较大,而当齿轮发生故障时,其振动信号的时频熵会
王素霞[9]2011年在《无线通信系统中信号调制识别技术的研究》文中指出调制方式是区分不同性质通信信号的一个重要特征,所谓调制方式的自动识别,指的是在给定一段未知调制信息的接收信号的前提下,不需要人工干预就可以判断出通信信号的调制方式,调制方式的自动识别不论是在军事应用还是民用或商业应用上都具有重大意义。本文集中研究无线通信系统中信号调制方式自动识别问题,预期的目标是得到性能稳定、复杂度低、通用性的调制识别方法。对现有方法进行了分析总结,指出了每一类方法的特点以及它们存在的不足,并针对无线通信系统的具体需求,设计通信信号的调制识别方法。本文的主要工作有以下几方面:首先,利用传统叁个特征参数(σ_(max)、σ_(dp)、P )实现对五种常用的模拟信号(DSB、AM、FM、LSB、USB)的调制识别,仿真结果表明:在信噪比大于5dB时,识别正确率大于92%。针对特征参数σ_(dp)对噪声比较敏感的情况,提出新的特征参数K替换特征参数σ_(dp),在信噪比大于5dB时,识别正确率在98%以上。其次,设计对数字信号的调制识别方法,利用传统五个特征参数(σ_(dp)、σ_(ap)、γ_(max)、σ_(af)、σ_(aa))实现数字调制信号(2ASK、2FSK、2PSK、4ASK、4FSK、4PSK)的调制识别,仿真结果表明,在信噪比大于10dB时,识别正确率为65%。针对其在低信噪比下识别准确率比较低,将高阶累积量方法引入调制识别算法中,构造五个特征参数(t1、t2、t3、t4、t5)实现对数字调制信号(2ASK、4ASK、2FSK、4FSK、4PSK、16QAM)的调制识别,仿真结果表明,在信噪比大于4dB时,识别正确率为100%,在低信噪比下仍有较高的识别正确率。最后,基于瞬时特征的联合调制识别,如果识别的信号类型越多,所需的特征参数就增加,判决树级数也增多,识别正确率就降低。提出改进的调制识别方法:利用小波变换实现模拟信号和数字信号的分离,再进行模拟信号和数字信号的识别。这样就减少了判决级数,能有效提高联合调制识别正确率,并对该方法进行仿真验证。
杨琴[10]2003年在《小波变换应用于数字调制信号的识别与参数估计》文中指出本文主要侧重于讨论小波变换在信号识别、参数估计等方面的应用。主要研究了连续Morlet小波变换的应用，以及利用Daubechies小波分解提取小波细节特征向量进行信号识别的研究。其主要内容为以下几个方面：研究了数字调制信号的连续小波变换方法，通过渐进逼近理论的平稳相位法近似获取数字调相PSK与数字调频FSK信号的小波脊线，得到信号的瞬时频率特征，进而利用数字调相PSK信号类与数字调频FSK信号类的不同瞬时频率特征进行调制信号的类间识别，估计信号的频率与码速，并进行了一些改进。进而研究了FSK与PSK信号类的类内识别。对于FSK信号，利用其不同频率的个数可以完成其类内识别，而PSK信号则可以利用它的相位突变信息进行类内识别。由于进制的数字调相信号每个子码间具有个相位突变，其相位突变的峰值满足一个概率密度为的分布，若信号为元PSK信号，则相位突变峰值的概率密度函数就是个概率密度之和的平均。于是可利用相位突变峰值的似然函数来识别信号为哪一种进制的PSK信号。为了更好的识别与提取信号参数，作者还进行了大量的公式推导与实验仿真研究了小波参数的变化对信号处理的影响。基于小波的多分辨率特性，在本文中利用小波分解获取信号在不同分解水平下的细节信息，将这些细节信息构成特征向量，由于不同信号类别具有不同的细节信息，于是可以将这些特征向量通过径向基函数（RBF）神经网络进行训练与识别数字调制信号。同时，对研究的方法进行了大量的模拟实验，证实了方法的有效性。
参考文献：
[1]. 基于D-S证据理论的多模型融合齿轮早期故障智能诊断方法研究[D]. 管争荣. 西安建筑科技大学. 2014
[2]. 基于小波分析的RFID射频信号处理[D]. 杨宇. 湖南大学. 2008
[3]. 通信信号调制识别技术研究[D]. 陈蕙心. 西安电子科技大学. 2017
[4]. 典型通信信号调制识别技术研究[D]. 王晓娜. 电子科技大学. 2011
[5]. EMD方法的研究与应用[D]. 刘慧婷. 安徽大学. 2004
[6]. 局域波分析的理论方法研究及应用[D]. 邹岩昆. 大连理工大学. 2004
[7]. 基于盲源分离的齿轮箱低频故障特征提取方法研究[D]. 冷军发. 河南理工大学. 2016
[8]. 基于Hilbert-Huang变换的旋转机械故障诊断方法研究[D]. 程军圣. 湖南大学. 2005
[9]. 无线通信系统中信号调制识别技术的研究[D]. 王素霞. 电子科技大学. 2011
[10]. 小波变换应用于数字调制信号的识别与参数估计[D]. 杨琴. 电子科技大学. 2003
标签：电信技术论文; 调制信号论文; 特征提取论文; 小波去噪论文; 系统仿真论文; 幅度调制论文; 故障诊断论文; 通信论文;